基于改进注意力机制和多语义特征增强的自然环境下枣品种识别方法

• 全文链接
• 请求原文

作   者：

雷浩;  苑迎春;  许楠;  何振学; 

作者机构：

河北农业大学信息科学与技术学院; 

关键词：

注意力机制;  多语义特征增强;  深度学习;  枣品种识别; 

期刊名称：

农业机械学报

i s s n：

1000-1298

年卷期：

2024 年 55 卷 007 期

页   码：

270-279,324

摘   要：

针对目前自然环境下枣品种识别准确率较低的问题,提出了一种基于注意力机制和多语义特征增强的枣品种识别模型(ICBAM_MSFE_Res50).该模型在ResNet-50 基础上,引入改进注意力机制(Improved convolutional block attention module,ICBAM),ICBAM采用一维卷积和多尺度空洞卷积对卷积块注意力模块(CBAM)进行改进,消除了特征图降维时的信息损失,降低了模型计算量和参数量,提高了模型对枣果区域细粒度特征的提取能力.同时,提出了多语义特征增强(Multi semantic feature enhancement,MSFE)模块,该模块通过枣果区域定位算法提取更多枣果局部显著特征,并采用显著性特征抑制算法迫使模型学习枣果次要特征,从而达到枣果多种语义特征学习.实验结果表明,在20 类枣品种数据集上,本文模型准确率为 92.20%,与ResNet-50 相比,提高 4.26 个百分点.对比AlexNet、VGG-16、ResNet-18、InceptionV3 模型,准确率分别提高 15.84、9.22、6.86、3.55 个百分点.对比其他枣品种识别方法,本文方法在20 种枣品种识别中表现最优,可为自然环境下枣品种识别研究提供参考.